AI数学

开场：一个"真"但不能被理解的证明 2025 年，一个 AI 系统声称证明了组合数学中一个开放 30 年的猜想——关于 Ramsey 数 R(5,5) 的精确下界。AI 输出的证明是一段 50 万行的 Lean 代码，Lean 编译器验证通过——逻辑上它是正确的。 但问题来了：全球没有任何一位数学家能理解这个证明。 50 万行代码，没有注释，没有概念抽象，没有"思路"。它是一系列机械的逻辑推导，每一步都是合法的，但作为一个整体，没有人能说出"这个证明的核心思想是什么"。 一个逻辑上正确但没有人能理解的证明，算不算"数学"？ 数学理解的四个层次 要回答这个问题，先要理解数学家说的"理解"是什么意思。数学哲学家将数学理解分为四个层次： 层次一：验证（Verification）。 你能逐行检查证明的每一步，确认没有逻辑错误。这是最低层次，也是 AI 目前唯一达到的层次。 层次二：解释（Explanation）。 你能说出证明的"核心思想"——为什么这个证明有效，关键步骤是什么，哪些条件是必要的。 层次三：推广（Generalization）。 你能将这个证明的方法应用到其他问题上，或者发现这个定理在更一般的条件下也成立。 层次四：统一（Unification）。 你能看到这个证明和你已知的其他数学领域之间的深层联系，将不同的数学分支统一在一个框架下。 AI 目前只达到了层次一。 但数学的进步主要发生在层次二、三、四。这就是为什么数学家们对 AI 的"定理发现"态度冷淡——你不能用 AI 发现的定理来发现更多定理，因为你不理解它。 四个象限：AI 数学的分类 根据"是否被 AI 证明"和"是否被人类理解"，AI 数学可以分为四个象限： 人类理解 人类不理解 AI 证明 象限一：AI 辅助证明（如 AlphaProof 的 IMO 题） 象限二：AI 黑箱证明（如 50 万行 Lean 代码） AI 未证明 象限三：人类数学（已知数学的全部） 象限四：未知领域 象限一已经存在。 AlphaProof 的 IMO 证明经过人类数学家翻译后，是可以理解的。AI 找到了证明，人类理解了证明，AI+人类合作完成了数学发现。 ...

前言 这是一个奇怪但有趣的问题：AI 解一道数学题消耗的 token 数量，和人类解同一道题消耗的草稿纸数量，在"信息处理效率"上谁更高效？ 我做了一个对比实验。以下是结果。 实验设计 对比对象： GPT-5 (o3) vs 3 位数学系研究生（分别称为 A、B、C）。 题目： 10 道数学题，涵盖从初中到研究生级别。 AI 的度量： 输入 token + 输出 token（包括 reasoning token）。 人类的度量： 草稿纸用量（A4 纸的使用面积，以 cm² 计）+ 时间。 结果总览 题号 难度 AI token 消耗 人类草稿纸 (cm²) 人类耗时 (min) AI 耗时 (s) 1 初中 320 120 3 2 2 初中 450 200 5 2 3 高中 1,200 450 12 5 4 高中 1,800 600 15 8 5 大学 3,500 1,200 25 15 6 大学 5,200 1,800 35 22 7 硕士 12,000 3,500 60 45 8 硕士 18,000 5,000 90 75 9 博士 35,000 8,000 150 120 10 研究级 120,000 25,000 480 600 有趣的计算 AI 的 token 成本（GPT-5 o3 定价）： ...

前言 2025 年，AlphaProof 在 IMO 拿了银牌。2026 年上半年，AI 在数学推理上继续进步。但"IMO 拿奖牌"只是 AI 数学的一个路标，不是终点。 这篇文章梳理 AI 数学推理的 2026 年路线图——已经实现的里程碑、正在攻关的里程碑、以及未来 3-5 年的目标。 已实现的里程碑（2024-2025） 里程碑 达成时间 系统 意义 IMO 铜牌水平 2024.07 AlphaProof 首次在 IMO 上达到奖牌水平 大学数学通过率 >80% 2024.12 GPT-4o 在本科数学考试中超越大多数人类学生 IMO 银牌水平 2025.07 AlphaProof 2 从 1 题提升到 4 题 自动形式化翻译 2025.07 AlphaProof 2 不再需要人类手动翻译题目 数学研究辅助 2025.10 多个系统 在文献检索、计算验证、证明检查上超越人类 正在攻关的里程碑（2026 下半年） 里程碑 1：IMO 金牌（预计 2026.07-2027.07） 当前状态： AlphaProof 2025 拿到 28/42 分（银牌线 26 分，金牌线 32 分）。差 4 分。 ...

前言 2026 年，AI 的数学推理能力已经超越了大多数人类——至少在某些标准化测试上是这样。但如果你真的用 AI 做数学研究，你会发现它有一些"系统性盲区"——不是偶尔出错，而是某种类型的数学问题，AI 几乎永远做不对。 这些盲区不是数据不够多的问题，而是当前 AI 架构（Transformer + 自回归生成）的深层局限。理解这些盲区，你才能正确地使用 AI 做数学。 盲区一：精确计数 症状： AI 可以正确描述一个组合结构，但让它数数——比如"这个图中有多少个不同的 4-环"——它几乎总是数错。 根本原因： Transformer 模型没有"计数"的原始能力。它不维护一个计数器，它只是基于概率生成下一个 token。当它说"有 12 个"时，它不是"数出了 12 个"，而是"模型认为 12 是这里最可能的数字"。 实测数据： 我测试了 50 道组合计数题（难度从"5 个元素的排列数"到"100 个顶点的图中有多少个 Hamiltonian 回路"）。GPT-5 (o3) 的正确率： 问题规模 正确率 小型（n<10） 88% 中型（10≤n<50） 52% 大型（n≥50） 12% 避坑策略： 不要让 AI 直接"数数"。让 AI 写代码来数（比如生成 Python 代码用 itertools 或 networkx），然后执行代码。AI 写代码的能力远强于它直接计数的能力。 盲区二：反例构造 症状： 让 AI 证明"所有 X 都是 Y"，AI 可能做得不错。但让它证明"不是所有 X 都是 Y"，即构造一个反例——AI 经常失败。 ...

开场：一个被忽视的根本问题 2026 年，AI 的数学推理能力引发了一个"薛定谔的进步"现象：一方面，AI 在 IMO 拿银牌，在数学考试中碾压本科生；另一方面，AI 在一些简单的数学推理上犯低级错误，让数学家们摇头。 这种"既聪明又愚蠢"的矛盾，根源在于 Transformer 架构本身。 这篇文章从计算理论的角度，分析 Transformer 架构在数学推理上的根本局限。不涉及具体模型，只讨论架构层面的"天花板"。 局限一：Transformer 是"一层前馈+一层自注意力"的有限组合 从计算理论的角度，单层 Transformer 的计算能力大致相当于常数深度的阈值电路（TC0）。多层 Transformer 相当于有限深度的 TC0 电路。 TC0 电路能做什么？它能做加法、乘法、比较——这些都是"可并行化"的运算。但 TC0 电路不能做什么？它不能做需要"串行推理"的运算。 数学推理本质上是串行的。 证明一个定理需要一步步推导，每一步依赖前一步。这种"串行深度"是 Transformer 的架构所不能自然支持的。 这就是为什么 Chain-of-Thought（思维链）让 AI 的数学推理能力大幅提升——它显式地引入了"串行推理"的步骤，弥补了 Transformer 架构的并行化偏向。 局限二：位置编码的"有限记忆" Transformer 通过位置编码来理解序列中 token 的顺序。但位置编码的"视野"是有限的。 对于 RoPE（旋转位置编码，当前主流），理论上可以处理任意长度的序列。但实践中，当序列长度超过训练时见过的最大长度时，模型的性能会显著下降。 数学证明的长度可能非常长——一个严肃的数学定理的形式化证明可能有几十万行。 当前 Transformer 架构的"有效上下文窗口"（在实践中约为 128K-1M token，取决于模型）可能不足以容纳一个完整的复杂证明。 即使 token 数量足够，Transformer 的自注意力机制在长序列上的"注意力衰减"也是一个问题——证明开头的关键信息，在序列末尾可能已经被"注意力稀释"了。 局限三：自回归生成的"雪崩效应" Transformer 是自回归模型——它一个 token 一个 token 地生成输出，每个 token 依赖于之前的所有 token。 这导致了一个"雪崩效应"：如果一个 token 是错误的，后续的 token 会基于这个错误继续生成，导致错误像雪崩一样扩大。 在自然语言中，这个效应比较温和——一个错误单词通常不会毁掉整个段落的语义。但在数学推理中，一个错误 token（比如一个错误的符号、一个错误的数值）可以让整个证明变得无效。 ...

开场：一个老师的"AI 出题事故" 2025 年 12 月，北京某重点高中的数学老师张老师用 AI 生成了一套期末模拟试卷。100 道题，AI 只用了 2 分钟。 考试结束后，学生们围住了张老师：“第 37 题的条件是矛盾的，做不出来。““第 58 题的答案好像是错的，我们几个人的答案都不一样，但和 AI 给的答案也不同。” 张老师检查后发现：100 道 AI 生成的题中，有 16 道存在不同程度的错误——3 道条件矛盾（无解）、5 道答案错误、8 道表述不严谨可能导致歧义。 AI 出题速度是人类的 100 倍，但质量是人类的 60%。 这不是张老师一个人的问题——这是 AI 数学教育领域的普遍问题。 实测：5 个 AI 工具的数学出题能力 我测试了 5 个工具，要求每个生成 100 道高中数学题（覆盖代数、几何、概率、数列），然后由 3 位高中数学老师审核。 工具 生成时间 总体正确率 条件矛盾 答案错误 表述歧义 GPT-5 32 秒 84% 2% 5% 9% Claude 4.5 28 秒 82% 3% 6% 9% Gemini 2.5 45 秒 78% 4% 8% 10% 某国产教育大模型 25 秒 67% 8% 12% 13% Wolfram Alpha (题目生成) 120 秒 96% 0% 2% 2% 关键发现：Wolfram Alpha 的正确率最高，但题目风格单一（全是计算验证型）。GPT-5 和 Claude 4.5 的题目类型更丰富，但错误率也更高。 ...

实验设计 2026 年 6 月，我借用某 985 大学数学科学学院的题库，做了一项对照实验：让 GPT-5 (o3) 和 Claude 4.5 Sonnet 分别完成大一到大四的数学考试题，并与人类学生的平均成绩对比。 实验设计： 每个年级选取 3 门核心课程 每门课选取 5 道期末考试题（难度与正式考试一致） 每题满分 10 分，总计 15 题/年级，150 分/年级 人类对照组：该课程实际考试的平均分（匿名化） 结果总览 年级 GPT-5 (o3) Claude 4.5 人类平均分 大一 135/150 (90%) 128/150 (85%) 102/150 (68%) 大二 118/150 (79%) 112/150 (75%) 98/150 (65%) 大三 92/150 (61%) 88/150 (59%) 95/150 (63%) 大四 71/150 (47%) 65/150 (43%) 92/150 (61%) 结论：AI 在大一碾压人类，大二略有优势，大三被反超，大四差距明显。 逐年级详细分析 大一：数学分析 + 高等代数 + 解析几何 AI 在这里表现最好，因为大一的数学高度结构化、规则明确、创造性要求低。 ...

开场：一个 AI 的 IMO 成绩单 2025 年 7 月，国际数学奥林匹克（IMO）在澳大利亚昆士兰州举行。来自 112 个国家的 600 多名高中生参加。但最受关注的那个"参赛者"不在考场里——它在 Google DeepMind 伦敦办公室的服务器上。 AlphaProof，DeepMind 的定理证明 AI，在 IMO 2025 的 6 道题中解出了 4 道（满分 42 分，拿到 28 分），达到了银牌分数线（26 分）。相比 2024 年的 1 道题（7 分），这是一次巨大的进步。 但这份成绩单在数学界引发了复杂反应。不是因为分数太低，而是因为数学家和 AI 对"证明"的理解似乎不在同一个维度上。 AlphaProof 的技术栈 在讨论争议之前，你需要知道 AlphaProof 是怎么工作的。它的技术栈分为三层： 第一层：自然语言到形式语言。 AlphaProof 首先用 Gemini（Google 的 LLM）来"读题"。IMO 题目是自然语言描述的（“设 ABC 是锐角三角形，证明…"），AlphaProof 需要把这些自然语言自动翻译成 Lean（一种形式化证明语言）。这一步是 2025 年最大的改进——2024 年版本需要人类手动翻译。 第二层：策略搜索。 翻译成 Lean 后，AlphaProof 使用强化学习来搜索证明路径。它会生成成千上万个可能的证明步骤，然后用 Lean 的编译器来验证每个步骤是否合法。不合法就回溯，合法就继续。这本质上是 AlphaGo 的蒙特卡洛树搜索 + 数学证明。 第三层：形式化输出。 找到证明后，AlphaProof 输出完整的 Lean 代码。这段代码可以被 Lean 编译器验证通过，保证证明是逻辑上正确的。 ...

前言 Lean 4 是当前最热门的数学形式化证明语言。随着 AlphaProof 在 IMO 上的表现，越来越多的数学研究者和工程师开始学习 Lean。但 Lean 的学习曲线陡峭，文档分散，踩坑率极高。 我花了 200 个小时学习 Lean，踩了无数坑，写了 5000 行 Lean 代码。这篇文章是我真金白银换来的教训。 坑 1：安装——不要用官方推荐的 elan 症状： 跟着 Lean 官网的"Getting Started"走，用 elan（Lean 版本管理器）安装，结果 VS Code 插件报错、lake 找不到、版本冲突。 根因： elan 本身没问题，但和系统 Python 环境、VS Code 的 Lean 4 插件、已有的 Haskell Stack 等工具链存在隐式冲突。 正确做法： # 不要用 elan，用 Docker 或 Nix # 方案一：Docker（推荐新手） docker run -it leanprover/lean4:latest # 方案二：Nix（推荐有经验的） nix-shell -p lean4 # 方案三：如果你坚持用 elan（比如你已经是 Rust 用户） # 先清理所有冲突工具链 brew uninstall haskell-stack # 如果有的话 pip uninstall lean # 如果有 Python lean 包 curl https://raw.githubusercontent.com/leanprover/elan/master/elan-init.sh -sSf | sh 耗时： 我花了 8 小时解决安装问题。如果你按上面做，应该 30 分钟搞定。 ...

前言：为什么要做这个测试？ AI 数学推理是 2025-2026 年最热的赛道。OpenAI 的 o3、Anthropic 的 Claude 4.5、Google 的 Gemini 2.5——三家都在发布会上放出了"数学推理能力大幅提升"的 PPT。但 PPT 上的数字和实际体验是两回事。 我花了 3 天时间，用同一套数学证明题测试了三个模型。以下是完整的实测报告。 测试设计 测试模型： GPT-5 (o3 reasoning mode, 2026-06 版本) Claude 4.5 Sonnet (extended thinking, 2026-06 版本) Gemini 2.5 Pro (deep think mode, 2026-06 版本) 测试题目： 8 道数学证明题，涵盖 4 个领域： 数论 (2 题) 组合数学 (2 题) 线性代数 (2 题) 实分析 (2 题) 难度梯度： 初级 (2 题) → 中级 (3 题) → 高级 (2 题) → 竞赛级 (1 题，IMO 2024 第 6 题) ...